学习分析中的时间 dropout 风险：动态与早期窗口表示下的和谐生存基准

学生 dropout 是学习分析中的持久关注点，但比较性研究常在异构的协议下评估预测模型，优先考虑判别性而非时序可解释性和校准。在本研究中，我们引入一个以生存为导向的基准，用于建模学生 dropout 风险，使用 Open University Learning Analytics Dataset (OULAD)。比较两种和谐化的方案：一种是动态每周方案，使用 person-period 表示的模型；另一种是可比连续时间方案，包含更丰富的模型族——树基生存、参数化和神经网络模型。评估协议集成了四个分析层次：预测性能、消除实验、可解释性和校准。结果在每个方案内分别报告，因为单一的跨方案排名在方法论上并不合理。在可比方案内，随机生存森林在判别和特定时间窗口的 Brier 评分中领先；在动态方案内，泊松分段瞬时模型在紧凑的五家模型族中以集成 Brier 评分略胜一筹。无回抽 bootstrap 抽样变异性使这些位置符合方向性信号而非绝对优势。消除实验和可解释性分析在所有模型族中收敛于一个共享发现：占主导地位的预测信号并非主要来自人口统计或结构特征，而是时序和行为特征。校准也在较优判别模型中证实了这一模式，除了 XGBoost AFT 外显示出系统性偏差。这些结果支持在学习分析中使用和谐化、多维基准的价值，并将 dropout 风险 situate 为一种时序行为过程而非静态背景属性的函数。